本發明精餾塔溫度控制領域，具體是指一種基于lstm的精餾塔靈敏板溫度的模型預測控制方法、裝置、處理器及其計算機可讀存儲介質。

背景技術：

1、精餾過程是化工生產中常見且重要的分離操作之一，廣泛應用于石油化工、制藥、食品等行業。精餾塔的操作條件直接影響產品的純度和收率，其中溫度控制是精餾過程中的關鍵參數。傳統的精餾塔溫度控制方法通常采用pid控制，但由于精餾過程具有高度非線性、強耦合和大滯后的特點，pid控制在面對復雜工況時往往難以取得理想的控制效果。

2、傳統的mpc控制器大多依賴于復雜的物理模型，實際生產過程中由于精餾塔內流體動態性質，不同變量間有著非常復雜的非線性關系，導致預測模型的預測精度不足，使得傳統的mpc控制器的實際效果達不到要求的精度和效果。

3、基于此，有必要提出一種解決方案以克服現有技術存在的不足。

技術實現思路

1、本發明的目的是克服了上述現有技術的缺點，提供了一種基于lstm的精餾塔靈敏板溫度的模型預測控制方法、裝置、處理器及其計算機可讀存儲介質。

2、為了實現上述目的，本發明的基于lstm的精餾塔靈敏板溫度的模型預測控制方法、裝置、處理器及其計算機可讀存儲介質如下：

3、該基于lstm的精餾塔靈敏板溫度的模型預測控制方法，其主要特點是，所述的方法包括以下步驟：

4、(1)從工廠中采集精餾塔生產過程中多個變量的歷史數據，得到按照時間軸排列的原始過程數據；

5、(2)計算多個變量在不同延遲時間下的最大信息系數mic，將mic值作為輔助變量與精餾塔靈敏板溫度之間相關性大小的評價指標，并通過變量篩選，確定用于預測靈敏板溫度所需的輔助變量；

6、(3)將輔助變量取到最大mic值時所對應的延遲時間作為輔助變量與靈敏板溫度之間的最佳延遲時間；

7、(4)基于所述的最佳延遲時間對原始數據進行時延重構，獲得新的數據集；

8、(5)將時延重構后得到的數據集作為模型訓練樣本，搭建并訓練lstm模型；

9、(6)將訓練完成的lstm模型作為模型預測控制mpc的實時預測模型，以此設計靈敏板溫度控制器；

10、(7)根據所述的lstm模型的預測輸出與預測時域內的參考值建立目標優化函數，并通過求解非線性約束優化問題，以此獲得模型預測最優控制量。

11、較佳地，所述的步驟(1)具體為：

12、從工廠中采集精餾塔生產過程歷史數據，包含精餾塔入口流量、出口流量、再沸器熱載體流量、塔頂回流量和精餾塔靈敏板溫度的多個變量數據，并按照采樣周期進行采樣，得到按照時間軸排列的原始過程數據。

13、較佳地，所述的步驟(2)具體包括以下步驟：

14、(2.1)計算采集的生產過程歷史數據中的特征變量與目標變量之間不同延遲時間下的最大信息系數mic；

15、(2.2)取每個特征變量與目標變量之間的mic作為相關性指標，剔除mic低于設定閾值的特征變量，對生產數據中的多個特征變量進行初步的變量篩選，得到用于預測精餾塔靈敏板溫度的輔助變量。

16、較佳地，所述的步驟(2.1)具體包括以下步驟：

17、假設當前有兩個變量x和y，包含n個測量值，

18、(2.1.1)將變量x和y劃分成若干個區間，并形成一個二維網格，實現數據離散化處理；

19、(2.1.2)對于每個網格，統計每個單元格中的數據點數目，形成二維頻率表，并計算互信息；

20、(2.1.3)歸一化所述的互信息，得到歸一化互信息值；

21、(2.1.4)遍歷所有的網絡劃分方式，并計算每種劃分方式下的歸一化互信息值，以此計算出所述的最大信息系數mic。

22、較佳地，所述的步驟(3)具體為：

23、定義樣本數據集e＝{x1,x2,...,xn,y},其中xi為特征篩選之后的輸入變量維數，y為目標變量精餾塔靈敏板溫度，設定延遲時間范圍為τ＝{0,1,2,...,τmax}，其中τmax為最大延遲時間；對于樣本數據集e中的每個特征變量xi(i＝1,2,...,n)，計算其在每個延遲時間τ下與目標變量y的互信息系數i(xi(t-τ)；y(t))，選取輔助變量與目標變量之間的最大信息系數mic所對應的延遲時間作為最佳延遲時間。

24、較佳地，所述的步驟(4)具體為：

25、計算每個變量的時延樣本數，將每個輔助變量的最佳延遲時間除以采樣時間得到時延樣本數；并將原始時間序列數據轉換為一個數據矩陣，其中，行數為原始數據行數減去最大時延樣本數，列數為輔助變量數量加目標變量數量，并根據計算所得的時延樣本數對原始數據進行移位，填充到新矩陣中，將所述的目標變量的數據從最大時延樣本數行開始，填充到新矩陣中，獲得新的數據集。

26、較佳地，所述的步驟(5)具體包括以下步驟：

27、(5.1)定義所述的lstm模型的輸入層、lstm層、激活層、全連接層、回歸層；

28、(5.2)選擇優化器、設置最大迭代次數、設置初始學習率、配置學習率下降策略，進行模型參數配置處理；

29、(5.3)將獲取到的數據隨機劃分為訓練集和測試集，并按照預設比例進行數據劃分。

30、(5.4)使用配置好的訓練參數和預處理之后的訓練數據，進行模型訓練，并通過迭代優化最小化該模型的損失函數；

31、(5.5)計算測試集上的評價指標，以此評估模型的預測精度和性能，完成模型驗證。

32、較佳地，所述的步驟(6)具體包括以下步驟：

33、(6.1)使用所述的lstm模型輸出未來時刻的精餾塔靈敏板溫度預測值；

34、(6.2)設計所述的模型預測控制mpc的目標函數j(k)：

35、

36、其中，yk表示第k時刻的預測溫度，yref表示設定溫度，△uk表示第k時刻的控制輸入變化量，λ表示控制輸入變化量的權重系數，np表示預測時域的長度，nc表示控制時域的長度。

37、(6.3)利用lstm溫度預測模型，計算mpc控制器在預測時域內的溫度預測值，并將其代入目標函數中進行優化，求解得到最優控制輸入序列。

38、較佳地，所述的步驟(7)具體為：

39、使用粒子群優化算法求解非線性約束優化問題，并通過實時滾動優化獲得最優控制序列，將最優控制輸入序列中的第一個控制輸入ut應用于到系統中，并更新系統狀態，進入下一個控制周期，以此完成預測控制處理。

40、該基于lstm的精餾塔靈敏板溫度的模型預測控制裝置，其主要特點是，所述的裝置包括：

41、處理器，被配置成執行計算機可執行指令；

42、存儲器，存儲一個或多個計算機可執行指令，所述的計算機可執行指令被所述的處理器執行時，實現上述所述的基于lstm的精餾塔靈敏板溫度的模型預測控制方法的步驟。

43、該基于lstm的精餾塔靈敏板溫度的模型預測控制處理器，其主要特點是，所述的處理器被配置成執行計算機可執行指令，所述的計算機可執行指令被所述的處理器執行時，實現上述所述的基于lstm的精餾塔靈敏板溫度的模型預測控制方法的步驟。

44、該計算機可讀存儲介質，其主要特點是，其上存儲有計算機程序，所述的計算機程序可被處理器執行以實現上述所述的基于lstm的精餾塔靈敏板溫度的模型預測控制方法的步驟。

45、采用了本發明的該基于lstm的精餾塔靈敏板溫度的模型預測控制方法、裝置、處理器及其計算機可讀存儲介質，通過搭建精餾塔靈敏板溫度模型預測控制器，解決了傳統pid控制器整體效果不好，抗干擾性差等問題，通過simulink和aspen?dynamic聯合動態運行的仿真分析，結果表明所設計的控制方法具有非常好的動態特性，從而驗證了該控制方法的有效性和實用性。